目的行人檢測是計算機(jī)視覺領(lǐng)域中的重點(diǎn)研究問題。經(jīng)典的可變形部件模型（DPM）算法在行人檢測領(lǐng)域素有高檢測精度的優(yōu)點(diǎn),但由于在構(gòu)建特征金字塔前處理過多召回率低的候選區(qū)域,導(dǎo)致計算速度偏慢,嚴(yán)重影響系統(tǒng)的實(shí)時性。針對該問題,本文對模型中選取候選檢測區(qū)域的流程進(jìn)行了改進(jìn),提出一種結(jié)合網(wǎng)格密度聚類算法和選擇性搜索算法的行人檢測候選對象生成方法來改進(jìn)DPM模型。方法首先使用三幀差法和高斯混合模型收集固定數(shù)量的運(yùn)動物體坐標(biāo)點(diǎn),然后結(jié)合基于網(wǎng)格密度的聚類算法構(gòu)建網(wǎng)格坐標(biāo)模型,生成目標(biāo)頻繁運(yùn)動區(qū)域,同時進(jìn)行動態(tài)掩層處理。隨后引入改進(jìn)的選擇性搜索算法,結(jié)合支持向量機(jī)（SVM）訓(xùn)練得到的行人輪廓寬高比,提取該區(qū)域中高置信度的行人候選檢測窗口,從而排除大量冗余的區(qū)域假設(shè),完成對候選行人檢測區(qū)域的精篩選,最后融合至DPM算法進(jìn)行行人檢測。結(jié)果所提方法在PETS 2009 Bench-mark數(shù)據(jù)集上進(jìn)行檢測,實(shí)驗(yàn)結(jié)果表明,該方法對復(fù)雜背景下的檢測有較強(qiáng)的穩(wěn)定性,與傳統(tǒng)DPM模型相比,精度提高了1. 71%、平均對數(shù)漏檢率降低2. 2%、檢測速度提高為3. 7倍左右。結(jié)論本文提出一種基于網(wǎng)格密度聚類的行人檢測候... 

【文章來源】：中國圖象圖形學(xué)報. 2019,24(09)北大核心CSCD

【文章頁數(shù)】：11 頁

【文章目錄】：
0 引言
1 可變形部件模型
2 基于網(wǎng)格密度聚類的檢測候選區(qū)域生成算法
    2.1 運(yùn)動目標(biāo)檢測
    2.2 采用G-Cluster算法獲取目標(biāo)頻繁運(yùn)動區(qū)域
    2.3 基于選擇性搜索的ROI區(qū)域選取
    2.4 算法復(fù)雜度分析
3 實(shí)現(xiàn)結(jié)果與分析
    3.1 評價指標(biāo)
    3.2 實(shí)驗(yàn)結(jié)果
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]OPTICS聚類與目標(biāo)區(qū)域概率模型的多運(yùn)動目標(biāo)跟蹤[J]. 孫天宇,孫煒,薛敏.  中國圖象圖形學(xué)報. 2015(11)
[2]行人檢測中非極大值抑制算法的改進(jìn)[J]. 陳金輝,葉西寧.  華東理工大學(xué)學(xué)報(自然科學(xué)版). 2015(03)
[3]融合圖像感知哈希技術(shù)的運(yùn)動目標(biāo)跟蹤[J]. 李子印,朱明凌,陳柱.  中國圖象圖形學(xué)報. 2015(06)
[4]一種自動計算參數(shù)的多密度網(wǎng)格聚類算法[J]. 李光興,唐俊,易林,徐彬.  計算機(jī)與數(shù)字工程. 2014(07)
[5]一種光照不均勻圖像的二值化方法[J]. 郭佳,劉曉玉,吳冰,付曉薇.  計算機(jī)應(yīng)用與軟件. 2014(03)
[6]分割位置提示的可變形部件模型快速目標(biāo)檢測[J]. 楊揚(yáng),李善平.  自動化學(xué)報. 2012(04)



本文編號：3163065